GEE_funciones

class: inverse,left, middle
background-image: url(data:image/png;base64,#background.png)
background-size: cover

##Módulo 4: Procesamiento masivo de datos geoespaciales

###Google Earth Engine: Aplicaciones en GEE

José A. Lastra<br> <a href="http://github.com/JoseLastra">
Github: JoseLastra</a><br> 
<a href="mailto:jose.lastra@pucv.cl"> jose.lastra@pucv.cl</a><br>

.large[<b><a href="https://www.pucv.cl/uuaa/site/edic/base/port/labgrs.html">LabGRS</a> | Noviembre 2022</b>] <br>

---
class: center,middle
background-image: url(data:image/png;base64,#labgrs_logo.png)
background-size: 35%

---
## Contenidos

.pull-left[
- Trabajo con colecciones:
  * Importación
  * Filtros temporales y espaciales
  * Creación de una imagen
  * Exportación de datos

- Funciones en GEE
  * Uso de **map()**

- Reducciones
  * Temporales
  * Espaciales
  
- Extracción series de tiempo

]
  
.pull-right[
<img src="data:image/png;base64,#https://earthengine.google.com/static/images/earth-engine-logo.png" width="300px"/>

]

---
## Series de tiempo

- GEE tiene disponible un gran número de datasets que disponen de información estandarizada en el tiempo, muy útil para análisis de cambios y dinámica espacio-temporal.

- Por ejemplo:
  * GIMMS NDVI (Jul 1981 – Dec 2013),
  * Hybrid Coordinate Ocean Model (Oct 1992 – actualidad),
  * MOD13Q1/MYD13Q1 Versión 6 Vegetation Indices 16-Day L3 Global 250 m (Feb 18, 2000 - actualidad),
  * Landsat 5/7/8/9 (Ene 1984 - actualidad)

- Además de información climática de diferentes modelos
- Toda esta información es mannipulable y nos permite hacer diferentes análisis además de extraer información.

---
## Extracción de series de tiempo

- Para este ejercicio, aplicaremos algunas herramientas ya usadas: **(i) uso de map()** y **(ii) agregación espacial y temporal** 
- Cargaremos la colección 2<sup>1</sup> de Landsat 5, 8 y 9 L2 (Surface reflectance) y calcularemos el **Enhanced Vegetation Index** para todas las imágenes disponibles.

- Para filtrar las colecciones haremos uso de una geometría y consideraremos todas las escenas que tengan 70% o menos de cobertura nubosa.

- **Importante**: se puede considerar un umbral más alto o más bajo dependiendo de la zona de estudio y la cantidad de pérdida de datos.

.footnote[
<sup>1</sup> La información de la colección 1 será dada de baja a finales de este año y desaparecerá de todos los catálogos. [**Más información**](https://www.usgs.gov/landsat-missions/landsat-collection-1)
]

---
## Preparación de funciones

--
- Lo primero a preparar, son las funciones para trabajar con los datos de la colección 2 y los múltiples sensores:
  * Función para estandarizar nombres de bandas
  * Enmascarado de nubes
  * Reescalamiento de datos ([**más información**](https://www.usgs.gov/landsat-missions/landsat-collection-2-level-2-science-products))
  * Armonización entre sensores ([**más información**](https://openprairie.sdstate.edu/cgi/viewcontent.cgi?referer=https://scholar.google.com/&httpsredir=1&article=1035&context=gsce_pubs))
  * Cálculo del índice

```js
// funciones para seleccionar y renombrar bandas
// Landsat 8 y 9
var renameOli = function (img) {
  return img.select(
      ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7', 'QA_PIXEL'],
      ['azul', 'verde', 'rojo', 'nir', 'swir1', 'swir2', 'pixel_qa']);
};
// Landsat 5 y 7
var renameEtm = function (img) {
  return img.select(
      ['SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B7', 'QA_PIXEL'],
      ['azul', 'verde', 'rojo', 'nir', 'swir1', 'swir2', 'pixel_qa']);
};
```

---
## Preparación de funciones

--
- **Importante:** la aplicación de quality assesment sobre nuestros datos, dependerá de la zona, el nivel de rigurosidad que queramos en la limpieza, la cantidad de información que estemos dispuesto a perder, entre muchos otros factores.

--
- Enmascarado de datos Landsat 5-7

```js
/* limpieza con pixel QA Landsat 4-7 */
var l5Clouds = function (img){
  var pixel_qa = img.select('pixel_qa');
  var cl1 = pixel_qa.eq(1);// Fill
  var cl2 = pixel_qa.eq(5440);//Clear with low sets
  var mask = cl1.or(cl2);
  //actualiza información que se mantendrá en el dato de salida por pixel
  return img.updateMask(mask); 
};
```

- Basado en: [**Science Product Guide**](https://d9-wret.s3.us-west-2.amazonaws.com/assets/palladium/production/s3fs-public/media/files/LSDS-1618_Landsat-4-7_C2-L2-ScienceProductGuide-v4.pdf) Versión Marzo 2022

---
## Preparación de funciones

--
- Enmascarado de datos Landsat 8-9

```js
/* limpieza con pixel QA Landsat 8-9 */
var l8Clouds = function (img){
  var pixel_qa = img.select('pixel_qa');
  var cl1 = pixel_qa.eq(1); // Fill
  var cl2 = pixel_qa.eq(21824); //Clear with low sets
  var mask = cl1.or(cl2);
  //actualiza información que se mantendrá en el dato de salida por pixel
  return img.updateMask(mask);  
};

```

</script>

- Basado en: [**Science Product Guide**](https://d9-wret.s3.us-west-2.amazonaws.com/assets/palladium/production/s3fs-public/media/files/LSDS-1619_Landsat-8-9-C2-L2-ScienceProductGuide-v4.pdf) Versión marzo 2022

---
## Preparación de funciones

--
- Re-escalado de datos

```js
// aplicación de factores de escala
var applyScaleFactors = function (image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  return image.addBands(opticalBands, null, true);
};

```

</script>

--
- Solo trabajaremos con la información óptica, pero el escalado también puede aplicarse a la información termal.

---
## Preparación de funciones

--
- Armonización entre sensores

--
- *"Traducción"* de reflectancias **TM/ETM+** a **OLI**

```js
// coeficientes provistos por  Roy et al. (2016)
// SR 5/7 a OLI SR
var coefficients = {
  itcps: ee.Image.constant([0.0003, 0.0088, 0.0061, 0.0412, 0.0254, 0.0172]),
  slopes: ee.Image.constant([0.8474, 0.8483, 0.9047, 0.8462, 0.8937, 0.9071])
};

var etmToOli = function (img) {
  return img.select(['azul', 'verde', 'rojo', 'nir', 'swir1', 'swir2'])
      .multiply(coefficients.slopes)
      .add(coefficients.itcps)
      .addBands(img.select('pixel_qa'));
};

```

</script>

---
## Preparación de funciones

--
- Cálculo de EVI

```js
//Función para calcular EVI 
var EVI = function(image) {
    var evi = image.expression('2.5 * (nir - rojo) / (nir + 6 * rojo - 7.5 * azul + 1)', {
        'nir': image.select('nir'),
        'rojo': image.select('rojo'),
        'azul': image.select('azul')}).rename('EVI');
    return image.addBands(evi);
};
```

---
## Preparación de funciones

--
- Con las funciones creadas, ahora las incorporaremos a dos funciones: **prepOLI()** y **prepETM()**

```js
// Preparación OLI 
var prepOli =function (img) {
  var orig = img;
  img = applyScaleFactors(img);
  img = renameOli(img);
  img = l8Clouds(img);
  img = EVI(img);
  return ee.Image(img.copyProperties(orig, orig.propertyNames()));
};

// Preparacion TM/ETM+
var prepEtm = function(img) {
  var orig = img;
  img = applyScaleFactors(img);
  img = renameEtm(img);
  img = l5Clouds(img);
  img = etmToOli(img); //armonización
  img = EVI(img);
  return ee.Image(img.copyProperties(orig, orig.propertyNames()));
};
```

---
## Aplicando funciones a nuestras colecciones

```js
//aplicando funciones a colecciones
var L5sr = ee.ImageCollection("LANDSAT/LT05/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepEtm);

var L7sr = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepEtm);

var L8sr = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepOli);

var L9sr = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepOli);

```

var L7sr = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepEtm);

var L8sr = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepOli);

var L9sr = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
.filterBounds(roi)
.filter(ee.Filter.lt('CLOUD_COVER',70))
.map(prepOli);

</script>

---
## Fusión de colecciones

--
- Con nuestros datos preparados, podemos fusionar las colecciones en una sola **ImageCollection**

--
- Esta fusión de colecciones se puede hacer con la función **merge()**

--
- Considerar la función **sort()** para ordenar temporalmente nuestras imágenes dentro de la nueva colección

```js
var full = L5sr.merge(L7sr).merge(L8sr).merge(L9sr).sort('system:time_start');
print(full,'colección completa');
```

---
## Visualizando EVI

--
- Añadiremos la información al mapa para poder inspeccionar los valores.

```js
// Visualización
var EVI_params = {min:0,
max:1, 
palette: [
    'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
    '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
    '012E01', '011D01', '011301'
  ], 
  bands: 'EVI'};
  
Map.addLayer(full.first(),EVI_params,'EVI vis');
```

---
class: middle

---
## Construcción series de tiempo

--
- Crearemos un polígono de nombre **zona1** para la extracción mediana de un área de interés.

--
- Emplearemos la función **ui.Chart.image.seriesByRegion()**

```js
// Gráfico de serie de tiempo.
var eviTimeSeries = ui.Chart.image.seriesByRegion(//gráfico utilizando región de referencia
    full, zona1, ee.Reducer.median(), 'EVI', 30, 'system:time_start','label') //agregación de mediana
        .setChartType('ScatterChart')//tipo de gráfico
        .setOptions({//opciones
          title: 'EVI',//título de gráfico
          vAxis: {title: 'EVI median'},//eje y
          lineWidth: 1,
          pointSize: 2.5,
          series: {
            0: {color: '#4e00f4'}, 
                    }});
// Display.
print(eviTimeSeries, 'serie de tiempo ejemplo');
```

---
class: middle

---
## Construcción series de tiempo

--
- También podemos sacar series de tiempo para múltiples polígonos

--
- Veamos un ejemplo con nuestro asset de nombre **zonas**

```js
var plotEVI = ui.Chart.image.seriesByRegion(
  full, zonas,  ee.Reducer.median(),'EVI',30)
  .setChartType('LineChart')
  .setSeriesNames(['Pradera','Nativo en río','Paltos','Agua'])
  .setOptions({
    lineWidth: 1,
    pointSize: 2,
    colors: ['#FA0707', '#087605','#97D000','#148CC4'],
    title: 'EVI median',
    vAxis: {title: 'EVI'}
  });
  
print(plotEVI, 'Múltiples polígonos');

```

</script>

---
class: middle

---
## Bibliografía complementaria

- Earth Engine Code Editor | Google Earth Engine |. (s.f.). Google Developers. https://developers.google.com/earth-engine/guides/playground

- Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27. [Ver](https://www.sciencedirect.com/science/article/pii/S0034425717302900)

- Mutanga, O., & Kumar, L. (2019). Google earth engine applications. Remote Sensing, 11(5), 591. [Ver](https://www.mdpi.com/2072-4292/11/5/591/htm)

- Zhao, Q., Yu, L., Li, X., Peng, D., Zhang, Y., & Gong, P. (2021). Progress and trends in the application of Google Earth and Google Earth Engine. Remote Sensing, 13(18), 3778. [Ver](https://www.mdpi.com/2072-4292/13/18/3778)

---
class: inverse middle
![logo](data:image/png;base64,#LABGRS-PUCV.png)